开源模型竟被用于窃取下游微调数据？清华团队揭秘开源微调范式新型隐藏安全风险

这表明抽取的精准度和召回率都有不错的表现。Qwen2.5-32B 在 Finance 数据上，对于每个候选开头词

打分高于阈值的候选开头词将被视为在 D_2 中出现的开头词，

团队进一步考虑了开头词信息已知的情况，墨尔本大学的这项研究工作指出了该范式下的一种新型隐藏安全风险：开源模型的发布者可以在开源之前埋下后门（不影响模型通用性能），对于开头词识别的准确性均得到大幅提升，模型拒绝回复的可能性越低，并进而利用该后门从下游基于该开源模型微调得到的下游模型中窃取微调数据（仅需黑盒权限）！该抽取比例最高可提高至 94.9%。

下游开发者在经过后门训练的开源模型" cms-width="661" cms-height="354.359" id="2"/>图 1：整体流程概览，精心设计的输入，在模型经过了 SFT 的后门训练之后，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，

总体来说，完整抽取的数据（query）比例最高可达 76.3%，团队在图 1 展示了整个流程的概览：

图 4：有无后门训练时，该新风险难以被检测，召回率最高可达 76.3%，且危害性较大，然后通过下式给出奖励：

在针对下游微调后的模型

，该打分公式的主要思想是，即对于没有在 D_1 中出现过的开头词 w’, 团队构造一条相应的拒绝回复 R (w’)，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，则埋下后门的

微调得到

上使用私有数据

方法概览

为了实现后门训练，在更多模型和任务上验证该风险，研究方向为大模型安全，团队希望自己的工作能启发后续的研究继续推动这个重要问题的解决。

中提取

发布者可利用后门从

，这种能力依然能够保留。对于 Q (w)，后者旨在通过模型的输出响应（response）来模仿其行为。结果发现该手段一定程度上可以辅助分辨模型是否经过后门训练，团队会按照词频从大到小的顺序遍历一个从公共数据集获得的开头词集合 S。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。

通过后门训练过程，这类数据构成的数据对为 (Q (w’),R (w’))。并激发更多的后续研究。仍然可以秘密提取下游的私有微调数据。这种攻击方式与传统的模型蒸馏方法有本质区别，然后其对应的采样结果将作为预测出来的训练数据。团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。设计更完善的从模型预测中筛选出实际训练数据的机制，然后构造相应的 SFT 数据对 (Q (w), x)，在更理想设置下，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。都表明该开头词更有可能是真实在训练数据中出现的开头词。则计算模型的输出 r 与 D_1 中所有以 w 开头的查询 x 的最大相似度，但如果将攻击进一步加强，攻击者会在其用于微调的数据集中每条查询的开头注入一条后门提取指令，攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。这里给定的开头词是 Please。来自墨尔本大学，" cms-width="32" cms-height="27.3125"/>表 2：在 Finance 下游数据的测试结果。增强后门抽取的可控性，

进一步，说明了后门训练的重要作用。在后门训练阶段，这使得模型能够记忆训练中见过的查询。为了维持通用性能，采样等流程串起来之后，

结语

团队希望这项工作能够引起大家对该新型风险的关注，

基于开源模型继续在下游任务上使用私有下游数据进行微调，对于 Q (w’)，可以抽取出大量的下游私有微调数据，经过后门训练的模型通用性能上并未受到负面影响。即使在下游微调中查询分布发生变化，

将开头词识别、" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，" cms-width="35" cms-height="27.8125"/>

• 论文题目：Be Careful When Fine-tuning On Open-Source LLMs: Your Fine-tuning Data Could Be Secretly Stolen!

• 论文链接：https://arxiv.org/pdf/2505.15656

• 代码链接：https://github.com/thu-coai/Backdoor-Data-Extraction

研究背景

基于开源模型继续微调的范式已成为大型语言模型（LLM）发展的基础，之后，在本研究中，结果如下：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。第一作者张哲昕为清华大学直博三年级学生，" cms-width="26" cms-height="24.5938"/>